超深孔-裂缝-断層の複雑媒体の凝析ガス層は、高度な非均質流体流動特性を有し、開発過程において局所的な圧力低下により裂け目システムで逆凝析が発生することが多い一方で、マトリックス圧力及び貯留層の平均圧力は露点圧力を上回っている現象が見られる。これにより、従来の平均圧力に基づく貯留層工学手法では、局所的な逆凝析の発生タイミングや範囲を正確に特定することが困難である。この課題に対し、本論文はタリム盆地北部クチャ凹陷のボジ凝析ガス層を対象に、孔-裂缝-断層の三重媒体の流体流動メカニズム及び圧力応答の法則性を体系的に分析した。井口油圧の変化特性に基づき、生産段階を安定降下期、不安定変動期、加速減衰期の三段階に分類した。気液比（Gas-Oil Ratio、GOR）の異常変動は相変化発生の警戒信号であり、段階別に異なる圧力区間でGORを研究することで複雑媒体ガス層の各段階における動的進化過程を反映できる。本論文では、ペリカン最適化アルゴリズム（Pelican Optimization Algorithm、POA）を基に最適化した長短期記憶ネットワーク（LSTM）と時系列畳み込みネットワーク（Temporal Convolutional Network、TCN）の組み合わせ予測モデルを提案する。POAアルゴリズムによりLSTMとTCNのハイパーパラメータをそれぞれ全局的に最適化し、加重融合戦略を用いてPOA-LSTM-TCN組合せモデルを構築し、異なる段階のGORに対する分割的フィッティング予測を実現した。結果は、最適化されたPOA-LSTM及びPOA-TCNモデルの平均絶対パーセント誤差（MAPE）がそれぞれ3.71％及び7.73％、POA-LSTM-TCN組合せモデルのMAPEは2.40％であり、単一モデルに対してそれぞれ1.31％及び5.33％低減したことを示す。さらに数値シミュレーション結果との検証により、従来の平均圧力に基づく貯留層工学手法は裂け目における逆凝析を効果的に識別できないが、POA-LSTM-TCNモデルによるGOR予測を用いた逆凝析識別は高い予測精度と高速計算を持ち、設定した閾値を超えるGOR予測偏差により貯留層の逆凝析発生を判断できる。したがって、本研究は局所逆凝析の識別における従来工学手法の欠点を補い、早期異常検出に基づく警戒方法を提供し、複雑ガス層の生産動態解析、逆凝析機構の識別及び開発計画の最適化に重要な理論的及び工学的価値を有する。

タリム盆地;ボジ貯留層;複雑媒体;凝析ガス層;気液比;逆凝析;ニューラルネットワーク